Link to this section提升 YOLO26 训练体验：使用 Comet 简化你的日志记录流程#

记录参数、指标、图像预测和模型检查点等关键训练细节在 机器学习 中至关重要——它能让你的项目保持透明，让进度可量化，并确保结果可重复。

Ultralytics YOLO26 可与 Comet（原 Comet ML）无缝集成，高效捕获并优化 YOLO26 目标检测 模型训练过程的方方面面。在本指南中，我们将介绍安装流程、Comet 设置、实时洞察、自定义日志记录以及离线使用方法，确保你的 YOLO26 训练过程得到全面记录并经过微调，以获得卓越成果。

Link to this sectionComet#

Comet 是一个用于跟踪、比较、解释和优化机器学习模型与实验的平台。它允许你在模型训练期间记录指标、参数、媒体等内容，并通过美观的网页界面监控你的实验。Comet 能够帮助数据科学家更快速地进行迭代，提高透明度和可重复性，并助力生产模型的开发。

Link to this section发挥 YOLO26 与 Comet 的强大威力#

通过将 Ultralytics YOLO26 与 Comet 结合，你将解锁一系列优势。其中包括简化的实验管理、用于快速调整的实时洞察、灵活且定制化的日志记录选项，以及在互联网受限时离线记录实验的能力。这种集成使你能够做出数据驱动的决策，分析性能指标，并获得出色的结果。

Link to this section安装#

要安装所需的软件包，请运行：

# Install the required packages for YOLO26 and Comet
pip install ultralytics comet_ml torch torchvision

Link to this section配置 Comet#

在安装所需的包之后，你需要注册账户，获取 Comet API Key，并进行配置。

# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY

然后，你可以初始化你的 Comet 项目。Comet 将自动检测 API key 并继续完成设置。

import comet_ml

comet_ml.login(project_name="comet-example-yolo26-coco128")

如果你正在使用 Google Colab 笔记本，上述代码将提示你输入 API key 进行初始化。

Link to this section用法#

在深入了解使用说明之前，请务必查看 Ultralytics 提供的各种 YOLO26 模型。这将帮助你为项目需求选择最合适的模型。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Train the model
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolo26-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

运行训练代码后，Comet 会在你的 Comet 工作区中创建一个实验以自动跟踪运行过程。随后你将获得一个链接，用于查看 YOLO26 模型训练 过程的详细日志。

Comet 会在无需额外配置的情况下自动记录以下数据：诸如 mAP 和 loss 之类的指标、超参数、模型检查点、交互式混淆矩阵以及图像 边界框 预测。

Link to this section通过 Comet 可视化了解你的模型性能#

让我们深入了解一旦你的 YOLO26 模型开始训练，你将在 Comet 仪表板上看到什么。仪表板是所有操作的核心，通过视觉图表和统计数据呈现一系列自动记录的信息。这里是一个快速浏览：

实验面板

Comet 仪表板的实验面板部分组织并呈现了不同的运行过程及其指标，例如分割掩码 loss、类别 loss、精确度以及 平均精度均值。

Metrics（指标）

在指标部分，你还可以选择以表格形式查看指标，该形式显示在如图所示的专用窗格中。

交互式 混淆矩阵

可以在“混淆矩阵”选项卡中找到的混淆矩阵，提供了一种评估模型分类 准确率 的交互式方式。它详细说明了正确和错误的预测，让你能够理解模型的长处和短板。

系统指标

Comet 会记录系统指标，以帮助识别训练过程中的任何瓶颈。其中包括 GPU 利用率、GPU 内存使用量、CPU 利用率和 RAM 使用量等指标。这些对于在模型训练期间监控资源使用效率至关重要。

Link to this section自定义 Comet 日志记录#

Comet 通过设置环境变量提供了自定义其日志记录行为的灵活性。这些配置允许你根据自己的具体需求和偏好来定制 Comet。Ultralytics 回调函数会读取以下环境变量（请在训练开始前设置它们）：

Link to this section记录图像预测#

你可以控制 Comet 在实验期间记录的图像预测数量。默认情况下，Comet 会从验证集中记录 100 张图像预测。不过，你可以更改此数值以更好地满足你的需求。例如，若要记录 200 张图像预测，请使用以下代码：

import os

os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"

若要完全禁用图像预测日志记录（例如为了减少在慢速连接上的上传量），请将 COMET_EVAL_LOG_IMAGE_PREDICTIONS 设置为 "false"：

import os

os.environ["COMET_EVAL_LOG_IMAGE_PREDICTIONS"] = "false"

Link to this section批次日志记录间隔#

Comet 允许你指定记录图像预测批次的频率。环境变量 COMET_EVAL_BATCH_LOGGING_INTERVAL 控制此频率。默认设置为 1，即记录每个验证批次的预测。你可以调整此值以在不同的间隔记录预测。例如，将其设置为 4 将记录每第四个批次的预测。

import os

os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"

Link to this section禁用混淆矩阵日志记录#

在某些情况下，你可能不希望在每个 epoch 之后记录验证集的混淆矩阵。你可以通过将环境变量 COMET_EVAL_LOG_CONFUSION_MATRIX 设置为 "false" 来禁用此功能。混淆矩阵将仅在训练完成后记录一次。

import os

os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"

Link to this section在线和离线模式#

默认情况下，Comet 在线运行并将实验数据流式传输到 Comet 服务器。如果你需要在没有互联网连接的情况下进行训练，请在训练开始前设置 COMET_START_ONLINE=0。实验数据将保存在本地，稍后可以使用 comet upload CLI 进行上传。

import os

os.environ["COMET_START_ONLINE"] = "0"  # 1 (default) = online, 0 = offline

Link to this section项目名称#

默认情况下，Comet 回调函数会将 YOLO project 训练参数传递给 Comet（如果参数未设置则为 None，此时 Comet 使用你的工作区默认值）。使用 COMET_PROJECT_NAME 覆盖此设置，无论 YOLO 训练参数如何，都将所有实验发送到特定的 Comet 工作区项目：

import os

os.environ["COMET_PROJECT_NAME"] = "my-yolo26-experiments"

Link to this section模型产物名称#

COMET_MODEL_NAME 设置 Comet 为记录的模型产物注册的名称（默认为 Ultralytics）。使用它可以在共享工作区中区分模型变体：

import os

os.environ["COMET_MODEL_NAME"] = "yolo26n-coco128"

Link to this section置信度得分缩放#

检测置信度得分以 [0, 1] 范围输出，但 Comet UI 默认以百分比刻度显示。回调函数会在记录前将每个得分乘以 COMET_MAX_CONFIDENCE_SCORE（默认 100.0）。如果你更倾向于原始概率或不同的刻度，请调整此值：

import os

os.environ["COMET_MAX_CONFIDENCE_SCORE"] = "1.0"  # log raw [0, 1] scores

Link to this section总结#

本指南带你完成了将 Comet 与 Ultralytics 的 YOLO26 集成的过程。从安装到自定义，你已经学会了如何精简实验管理、获取实时洞察，并根据你的项目需求调整日志记录。

探索 Comet 的官方 YOLOv8 集成文档，该文档同样适用于 YOLO26 项目。

此外，如果你希望深入了解 YOLO26 的实际应用，特别是针对 图像分割 任务，这篇关于 使用 Comet 微调 YOLO26 的详细指南提供了宝贵的见解和分步说明，以提升你的模型性能。

此外，要探索其他与 Ultralytics 的激动人心的集成，请查看 集成指南页面，其中提供了丰富的资源和信息。

Link to this section常见问题解答#

Link to this section如何将 Comet 集成到 Ultralytics YOLO26 中进行训练？#

要将 Comet 与 Ultralytics YOLO26 集成，请遵循以下步骤：

1. 安装所需的包：

   pip install ultralytics comet_ml torch torchvision

2. 设置你的 Comet API Key：

   export COMET_API_KEY=YOUR_API_KEY

3. 在你的 Python 代码中初始化 Comet 项目：

   import comet_ml
   
   comet_ml.login(project_name="comet-example-yolo26-coco128")

4. 训练你的 YOLO26 模型并记录指标：

   from ultralytics import YOLO
   
   model = YOLO("yolo26n.pt")
   results = model.train(
       data="coco8.yaml",
       project="comet-example-yolo26-coco128",
       batch=32,
       save_period=1,
       save_json=True,
       epochs=3,
   )

有关更详细的说明，请参考 Comet 配置部分。

Link to this section在 YOLO26 中使用 Comet 有什么好处？#

通过将 Ultralytics YOLO26 与 Comet 集成，你可以：

• 监控实时洞察：获取训练结果的即时反馈，从而进行快速调整。
• 记录详尽指标：自动捕获 mAP、loss、超参数和模型检查点等基本指标。
• 离线跟踪实验：在无法访问互联网时在本地记录你的训练过程。
• 比较不同训练运行：使用交互式 Comet 仪表板分析和比较多个实验。

通过利用这些功能，你可以优化机器学习工作流程，以获得更好的性能和可重复性。有关更多信息，请访问 Comet 集成指南。

Link to this section如何在 YOLO26 训练期间自定义 Comet 的日志记录行为？#

Comet 允许使用环境变量对日志记录行为进行广泛的自定义：

• 更改记录的图像预测数量：

  import os
  
  os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"

• 调整批次记录间隔：

  import os
  
  os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"

• 禁用混淆矩阵日志记录：

  import os
  
  os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"

• 设置 Comet 项目名称：

  import os
  
  os.environ["COMET_PROJECT_NAME"] = "my-yolo26-experiments"

• 设置记录的模型产物名称：

  import os
  
  os.environ["COMET_MODEL_NAME"] = "yolo26n-coco128"

请参阅 自定义 Comet 日志记录 部分以获取完整列表，包括图像预测开关、置信度得分缩放以及在线/离线模式。

Link to this section如何在 Comet 上查看 YOLO26 训练的详细指标和可视化效果？#

一旦你的 YOLO26 模型开始训练，你就可以在 Comet 仪表板上访问大量的指标和可视化效果。主要功能包括：

• 实验面板：查看不同的运行及其指标，包括分割掩码 loss、类别 loss 和平均 精确度。
• 指标：以表格形式查看指标以便进行详细分析。
• 交互式混淆矩阵：使用交互式混淆矩阵评估分类准确率。
• 系统指标：监控 GPU 和 CPU 利用率、内存使用量以及其他系统指标。

有关这些功能的详细概述，请访问 通过 Comet 可视化了解你的模型性能 部分。

Link to this section我可以在训练 YOLO26 模型时使用 Comet 进行离线记录吗？#

可以。在训练开始前设置 COMET_START_ONLINE=0 以在本地记录：

import os

os.environ["COMET_START_ONLINE"] = "0"

实验数据保存在磁盘上，稍后在有网络连接时，可以使用 comet upload CLI 将其上传到 Comet。旧版 COMET_MODE="offline" 变量仍然有效，但会触发弃用警告。有关更多详细信息，请参阅 在线和离线模式 部分。